CN112888935A - 用于查明样品材料属性的便携式扫描设备 - Google Patents
用于查明样品材料属性的便携式扫描设备 Download PDFInfo
- Publication number
- CN112888935A CN112888935A CN201980066187.6A CN201980066187A CN112888935A CN 112888935 A CN112888935 A CN 112888935A CN 201980066187 A CN201980066187 A CN 201980066187A CN 112888935 A CN112888935 A CN 112888935A
- Authority
- CN
- China
- Prior art keywords
- sample
- sample material
- image
- chamber
- scanning device
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000000523 sample Substances 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000004891 communication Methods 0.000 claims abstract description 8
- 239000000463 material Substances 0.000 claims description 76
- 238000012545 processing Methods 0.000 claims description 15
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 7
- 239000000356 contaminant Substances 0.000 claims description 6
- 239000012620 biological material Substances 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 241000196324 Embryophyta Species 0.000 description 25
- 230000015654 memory Effects 0.000 description 14
- 238000012549 training Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 241001465754 Metazoa Species 0.000 description 6
- 239000012535 impurity Substances 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 235000008216 herbs Nutrition 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241000251468 Actinopterygii Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000011018 current good manufacturing practice Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 210000003608 fece Anatomy 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 235000013372 meat Nutrition 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 235000013599 spices Nutrition 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 244000223760 Cinnamomum zeylanicum Species 0.000 description 1
- 238000001712 DNA sequencing Methods 0.000 description 1
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 244000062780 Petroselinum sativum Species 0.000 description 1
- 241000283984 Rodentia Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001055 chewing effect Effects 0.000 description 1
- 235000017803 cinnamon Nutrition 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 235000019688 fish Nutrition 0.000 description 1
- 235000013312 flour Nutrition 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000010437 gem Substances 0.000 description 1
- 238000012252 genetic analysis Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 235000019198 oils Nutrition 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 235000014102 seafood Nutrition 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8806—Specially adapted optical and illumination features
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
- G06F3/0487—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser
- G06F3/0488—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/17—Image acquisition using hand-held instruments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/50—Constructional details
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/50—Constructional details
- H04N23/54—Mounting of pick-up tubes, electronic image sensors, deviation or focusing coils
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/62—Control of parameters via user interfaces
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/02—Mechanical
- G01N2201/022—Casings
- G01N2201/0221—Portable; cableless; compact; hand-held
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0098—Plants or trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/64—Computer-aided capture of images, e.g. transfer from script file into camera, check of taken image quality, advice or proposal for image composition or decision on when to take image
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Evolutionary Computation (AREA)
- Wood Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Botany (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
所公开的实施例包括至少一种用于查明样品材料属性的系统,方法,和设备。方法包括使扫描设备能够捕获被放置于扫描设备的内表面上的样品的图像。可以将被捕获的图像通过通信网络传送到服务(例如,基于云的服务),该服务可以依据人工智能技术检测被捕获的图像中的特征以鉴定样品材料的属性,诸如真实性,纯度,或质量。样品材料的属性可以被证明并传送,以显示在计算机,移动设备(例如,电话,平板)或扫描设备上,或与感兴趣的第三方一起显示。
Description
相关申请交叉引用
本申请要求美国临时专利申请号No.62/715,736的优先权,该申请于2018年8月7日提交,名称为“用于查明植物材料的质量和真实性的技术”,通过引用整体并入本文。
技术领域
所公开的教导涉及包括便携式扫描设备的单机或分布式的系统,该便携式扫描设备可以捕获样品材料的图像并基于图像数据可靠地查明该样品材料的属性。
背景技术
发达国家和发展中国家都广泛获得和使用了生物材料,以供消费,作为家庭治疗,以及用于药品中。示例包括植物材料,诸如草药(例如欧芹)和香料(例如肉桂),以及动物材料,诸如肉和鱼。从而,某些材料有一个庞大的,分散的全球市场。这些材料通常在分发给供应商,制造商,零售商,或消费者之前在其来源处进行预处理。例如,动物和植物材料可以是新鲜的,被干燥的,被煮熟的,完整的,被切碎的,被剁碎的,被磨碎的,等。
诸如材料的颜色,尺寸,形状,和质地的属性可能取决于个体物种的遗传以及在何时何地植物材料被种植或动物被饲养的自然条件变化而变化。示例包括用于耕种的地理区域,土壤成分,水质,气候条件(包括温度和湿度),日照强度,和生长期。在另一个示例中,材料可能被有害杂质(诸如动物粪便),污染物(诸如岩石和枝条)污染,或者被掺入填充剂(诸如大米或大豆粉)。
结果,商业分销链中的中间方试图查明材料的属性(例如,真实性,纯度,质量)。在常规技术中,材料的属性是基于熟练人员的经验通过观察样品的形状和颜色,闻到气味,和/或通过咀嚼材料来主观判断的。结果,常规技术是不可靠且不一致的,因为人们没有接受统一的培训来评估不同的材料。
能够提供可靠且一致的结果的现有系统涉及由高技能的技术人员操作的复杂且成本高昂的机器。那些可以在化学或遗传层上可靠地测试质量和真实性以鉴定纯度和污染物的系统是不便携的,并在一些科学实验室或制造工厂中实现。移动诊断测试系统可能依赖于昂贵的光学传感器和器材(例如,FTIR和NIR分光光度计),要求将贵且具有破坏性的光学签名附着到材料上,并且需要技术专家来开发数据库并进行操作。结果,外行人无法获得可靠的,负担得起的,和移动的技术。因此,例如,由于缺乏负担得起的方法,源自发展中国家的并运往美国的草药可能未经过可靠的质量或真实性测试。从而,需要一种划算的且可扩展的技术来查明某些材料的属性而无需训练有素的专家。
发明内容概要
所公开的实施例包括至少一种用于查明样品材料的属性的系统,方法,和装置。方法包括将手持移动设备(例如,智能手机)安装在扫描设备的外表面上以捕获被放置在扫描设备的内表面上的样品的图像。被捕获的图像通过通信网络被传送到服务(例如,基于云的服务),该服务可以依据人工智能技术来检测所捕获的图像中的特征,以鉴定样品材料(例如,包括杂质)的属性。可以对样品材料的属性进行证明和传送(communicated),以显示在智能手机上和/或与感兴趣的第三方共享。
便携式扫描设备包括用于托住包括相机的手持移动设备的外部安装结构,使得相机被安置以捕获多个样品的多个图像,每个样品被放置在便携式扫描设备的内表面上以鉴定每个样品的属性。便携式扫描装置还包括内部腔室,该内部腔室包括其上放置有特定样品的内表面,以利用相机捕获特定样品的特定图像,使得从相机到内表面的光学距离和内部腔室内光源光辐射的光能够捕获样品的图像以鉴定每个样品的属性。
在一些实施例中,光源是手持移动设备的第一光源和/或集成在便携式扫描设备中的第二光源。
在一些实施例中,内表面是可调节的,以改变相机和内表面之间的焦距。
在一些实施例中,属性是每个样品的真实性,纯度,或质量中的至少一个。
提供本发明内容概要以简化形式介绍一些概念,这些概念将在详细描述中进一步解释。本发明内容概要既不旨在显示(identify)所要求保护的主题的关键特征或必要特征,也不旨在用于限制所要求保护的主题的范围。
附图说明
图1A示出了处于闭门配置(closed-door configuration)的扫描设备,该扫描设备可以捕获被容纳其中的样品材料的图像。
图1B示出了处于开门配置(opened-door configuration)的图1A的扫描设备。
图1C示出了图1A的扫描设备的腔室。
图2A示出了处于闭门配置的扫描设备的另一实施例的透视图。
图2B示出了图2A的扫描设备的俯视图。
图2C示出了处于闭门配置的图2A的扫描设备,其上安装有手持移动设备以捕获被容纳在扫描设备的腔室中的样品材料的图像。
图3示出了具有内置触摸屏以控制内置相机以捕获被容纳在扫描设备的腔室中的样品材料的图像的,处于闭门配置的扫描设备的另一实施例。
图4示出了架子,其上具有用于样品材料的不同托盘。
图5是一个框图,示出了可操作用于基于图像数据查明样品材料的属性的系统。
图6是一个流程图,示出了由扫描设备实施的用于查明样品材料的属性的方法。
图7是一个流程图,示出了由包括扫描设备的系统实施以查明样品材料的属性的方法。
图8是一个框图,示出了可操作以实现所公开技术的至少一些方面的处理设备。
具体实施方式
下面阐述的实施例表示使本领域技术人员能够实践实施例的必要信息,并且示出了实践实施例的最佳模式。在参考附图阅读以下描述时,本领域技术人员将理解本公开的概念,并且将认识到这些概念在这里未特别提出的应用。应当理解,这些概念和应用落入本公开和所附权利要求的范围内。
在此使用的术语的目的仅是为了描述实施例,而非旨在限制本公开的范围。在上下文允许的情况下,使用单数或复数形式的单词也可以分别包括复数或单数形式。
如本文中所使用,除非另有特别声明,否则诸如“处理”,“计算(computing,calculating)”,“鉴定”,“显示”,“生成”,等术语,是指计算机或类似的电子计算设备的动作或处理,该计算机或类似的电子计算设备可将表示为计算机内存或寄存器中的物理(电子)量的数据操作和转换为类似地表示为计算机内存,寄存器,或其他此类存储介质,传输装置,或显示设备中的物理量的其他数据。
如本文所用,诸如“被连接的”,“被耦合的”,等术语,是指两个或多个元件之间的任何直接或间接的连接或耦合。元件之间的耦合或连接可以是物理的,逻辑的,或其组合的。
在遍及发达国家和发展中国家获得和使用的多种材料(例如植物材料)通常在商业交易前进行预处理(例如被干燥,被切碎,被磨碎)。被处理的材料通常与其他材料或物质(例如污染物)混合。鉴于世界各地被发现的材料种类繁多和供应链的复杂性,查明材料的属性诸如真实性,纯度,和材料的质量极其重要。
查明材料属性的常规技术包括由熟练技术人员进行的手动评估。这导致了不可靠和不一致的结果,因为不同的人以不同的方式评估植物材料。复杂的技术,涉及先进的科技,诸如化学,遗传,和其他形式的分析提供了一致的结果,但成本高昂,且只能对整个商业市场的一小部分可用。
被公开的实施例利用单机的或分布式的系统克服了这些缺点,该单机的或分布式的系统可以利用分布在整个商业市场上的相对便宜的扫描设备来统一地查明广泛分布的材料的属性。扫描设备具有最少数量的机械和/或电子部件,以对植物材料的样品进行分级以捕获一致的图像。扫描设备不被限于查明植物材料的属性。相反,扫描设备可以分析任何可以放入其腔室并且具有至少一个视觉特征(例如,颜色,尺寸,形状,或质地)的事物,该视觉特征可以被相机检测到,但是可能是肉眼无法检测的。它可以分析生物和/或非生物材料,诸如制成的食品和补剂及其成分,肉,鱼,海鲜,油,饮料,化妆品,宝石,土壤等。
在一些实施例中,手持移动设备(例如,移动电话)被安装在扫描设备上以捕获被容纳在扫描设备内的样品的图像。可以通过蜂窝或计算机网络将移动电话通信地耦合到服务。被公开的实施例可以利用发达国家和发展中国家普遍使用的移动电话来进行一种以划算的方式可靠地查明植物材料的质量和真实性的处理。后端服务可以是集中式的或分布式的以收集多种材料的图像。可以使用该服务的人工智能系统对图像进行处理,以鉴定材料的质量和真实性。
在一些实施例中,服务的移动应用允许用户通过使用智能手机来查明商业中的材料属性。由智能手机捕获的图像被上传到智能手机或个人计算机上的网络门户。为了确保图像质量的一致性,该扫描设备被设计为使用多个移动电话来捕获可以被比较以进行训练和分析的材料图像。即,可以校准多个移动电话以使用扫描设备。
在一些实施例中,图像数据通过应用程序接口(API)被传输到基于云的图像识别软件程序(例如,谷歌云景(Google Cloud Vision)),该程序使用计算机视觉/机器学习来检测和分类图像数据中的特征。可使用安装在扫描设备上的智能手机获取用于开发认证数据库以查明材料的属性的图像,该智能手机捕获通过任何数量已知方法(例如,形态学,化学,和/或DNA测序)独立核实过的材料样品的图像。
服务输出的结果通过API被返回到手持移动设备或计算机的本地用户界面。在一些实施例中,用户可以查看结果统计和趋势,并生成和共享分析证书。在一些实施例中,图像,样品信息,和结果通过API被返回到外部软件(例如,供应链管理或区块链)以进行持久存储。公开的实施例包括用于认证植物和动物物种,检测掺杂和不洁,评估质量和制造规格,以及通过供应链跟踪特定批次或样品的应用。此外,可以验证所公开的实施例,以便产品供应商和制造商可以使用它来遵守内部质量控制规范或其他政府规定,诸如美国食品药品监督管理局现行良好制造规范(current Good Manufacturing Practices)。
被公开的实施例中的至少一些实施例是其同类中的第一个已知应用,其被设计用于对植物材料(例如,草药,香料)以其商业贸易中的形式(例如,被处理的),诸如被干燥的,被切碎的,和被变成粉的,进行认证和质量控制评估。用于植物物种识别的现有技术的示例包括PLANTSNAP,LIKETHATGARDEN,LEAFSNAP,FLOWERCHECKER,PLANTIFIER,NATUREGATE,和IPFLANZEN。这些技术被设计用于基于整个活的植物,叶子,或花朵来识别物种而非市售形态的植物材料。此外,用于生成参考数据库的图像经常未经独立专家核实,或者是从谷歌图像(GOOGLE IMAGE)搜索中提取的。相反,本公开的实施例可以将经认证的样品用作包含在数据库中的参考图像。
而且,被公开的实施例唯一地提供一种扫描设备,以确保参考和测试图像是统一的。这使得所公开的技术能够检测样品之间的细微差异,这些差异在没有在受控环境中拍摄图像的情况下是不可能的,受控环境包括受控照明,背景色,样品放置,和焦距。
扫描设备是便携的,便宜的,并且被设计用于查明不同类型的材料的属性。为此,实施例包括由耐用的白色,不透明的,PVC,或其他相似材料组成的小而轻的盒子。扫描设备和相关的托盘具有若干有利的特征。例如,扫描设备消除了外部光,提供了一致的内部照明,一致的焦距和背景色,提供了一致数量的材料,并确保样品材料在被捕获的图像中处于相同位置,以便软件可以一致地裁剪被捕获的图像。架子到手持移动设备的距离是可调节的,以具有最接近的焦距,以通过使用大多数智能手机来拍摄清晰的高质量图像。而且,较低的架子允许捕获较大尺寸材料的图像。在某些情况下,架子在其表面上印有一个标记(例如,徽标),以致使相机自动对焦并进行校准。该标记对于分析粉状的,浅色的,或经过高度处理的材料可能是必不可少的,因为相机无法容易地自动对焦在这些材料上。
实施例包括一个五面盒子,在盒子的底部或侧边缘上具有铰链门。盒子的尺寸大约为200毫米(长)×150(宽)×125(高)。盒子的内部腔室可以有可移动的灯(例如,白色的,彩色的,白炽的,LED,紫外线的(UV),或红外线的(IR)灯),它们由电池供电并可以独立操作。智能手机可被放置于盒子的顶部,其相机镜头被安置于腔室内一英寸的孔上方。盒子有四条腿,如果不需要用把手(knob)或拉把手(pull)来打开门,则不需要四条腿。例如,盒子可以具有按压和释放门的机构,或者可以在侧面具有凹痕,凹口,或手柄以将其打开。该腔室可托住用于托盘的架子,该托盘具有用于不同材料的不同尺寸和形状的隔间。例如,整个对象或加工较少的材料放在托盘的较大隔间中,小的对象可以放在较小的隔间中,以及液体或粉末可以容纳在偏离中心的托盘的小方形隔间中。通过将智能手机切换到相机模式,相机镜头可以直接面向盒子内部以捕获图像。该盒子不需要特殊镜头,接口,或附接到相机上的光学设备。最后,图像数据可以通过网络浏览器或智能手机上的本机应用程序上传到基于云的软件中进行处理。
例如,图1A至1C示出了扫描设备100的实施例。图1A示出了处于闭门配置的扫描设备100。如图所示,扫描设备是一个小型的,便携的,且轻的盒子,其测量值约为6英寸×6英寸×8英寸。扫描设备100具有腔室(未示出),该腔室的作用为用于捕获样品材料的图像的受控环境。扫描设备100包括允许访问腔室的可开启构件102(例如,门)。腔室内的架子(未示出)可以接收带有样品材料的托盘。如图所示,可开启构件102通过铰链104-1和104-2附接到扫描设备100,并且手柄106被用于打开可开启构件102。当可开启构件被密封关闭时,外部环境的环境光被阻止进入腔室。扫描设备100的外表面108接收包括相机设备的手持移动设备110。手持移动设备110通过一个或多个成形为类似鼓包形状(shaped like bumps)的定位器112-1至112-5固定到外表面108。穿过外表面108到腔室的开口114使手持移动设备110在其相机镜头被安置于开口114上方时可以捕获样品材料的图像。
图1B示出了处于开门配置的扫描设备100。腔室116可以在从开口114(未示出)到通过外表面108的预定距离处限定架子的层。架子是可调节的,以改变到相机的焦距。腔室116的地板118距开口114最远。腔室116具有可以支撑可移动架子126的支撑结构120-1,120-2,122-1,122-2,124-1,和124-2。例如,由支撑结构120-1和120-2形成的层可在距开口114预定距离处支撑架子126。由支撑结构122-1和122-2形成的另一层在另一预定距离支撑架子126,与支撑结构120-1和120-2形成的层相比,由支撑结构122-1和122-2形成的另一层更靠近开口114。与其他预定距离相比,支撑结构124-1和124-2可以在距开口114最近的预定距离处支撑架子126。
扫描设备100可以使用手持移动设备110的光源来照亮腔室116中的样品材料。例如,开口可以足够大以允许来自手持移动设备110的光来照亮腔室116中样品材料。在一些实施例中,扫描设备100包括光源128,当被放置在架子126上时,该光源128可以在样品材料上辐射光。灯的示例包括白炽的,LED,白色的,彩色的,紫外线(UV)的,或红外线的(IR)灯。如所示,光源128被安置于腔室116的顶棚上,具有圆形形状,可移动的,并且面向腔室116的地板118。手持移动设备110的相机设备面向架子126,使得光源128照亮包括相机的视场的区域。
图1C示出了具有两个或更多可移动光源的组合的腔室116。例如,光源可以通过磁体被附接到腔室116的表面或门(未示出)的内表面。如所示,朝下的光源134被安置于腔室116的顶棚上,具有细长的形状,可移动的,并且面向腔室116的地板118。朝前的光源136被安置于腔室116的后壁上,具有矩形形状,可移动的,并且面向扫描设备100的门(未示出)。此外,朝前的光源136被安置以根据样品材料所处的层提供不同量的光。例如,朝前的光源136向离地板118最远的层(最靠近开口114(未示出))辐射更多的光。架子126包括标记130,该标记使手持移动设备110的相机能够自动对焦在架子126上。地板118还包括标记130-2,该标记使手持移动设备110的相机能够自动对焦在地板118上。
扫描设备100的可移动托盘可以托住样品材料,并且托盘被放置于架子126上。例如,主托盘132可以包括标记130-3,该标记使手持移动设备110的相机能够自动对焦在主托盘132的表面。扫描装置100可利用不同形状和尺寸的托盘以便于查明不同样品材料的属性。托盘可清洗,可重复使用,并具有哑光(matte)的表面以减少反射。在大多数情况下,托盘为白色,但可以为黑色或其他颜色。
在一个示例中,主托盘132可以在跨越大约4英寸乘5英寸的区域上托住约60毫升(1/4杯)的处理过的材料,托住单个对象,或托住多个小对象。取决于腔室的形状和设计,可移动托盘可以是更大/更小的托盘。如所示,主托盘在中心的矩形周围具有凸起的边沿(rised lip),用于托住样品材料。该区域被优化,以使手持移动设备110的相机可以拍摄整个区域的照片,而不必裁剪所捕获图像的边缘。因此,可以分析整个图像以查明样品材料的属性。
图4示出了可以托住不同形式或数量的样品材料的专用托盘。专用托盘402是中心或偏移处的小矩形以托住少量的材料。针对10毫升(2茶匙)粉末材料或液体可以进行优化设计,可容纳标准一次性称重船(fit standard disposable weigh boats)。专用托盘402在边缘周围具有凸起的边沿,以将材料放在托盘上。专用托盘404是平面方形和/或在中心具有小点以放置相对小的对象。用于液体的方形被放置于托盘上的某个区域中,以避免来自顶部孔的光反射或阴影。图像处理软件可以裁剪出在样品材料图像中被捕获的托盘区域。
因此,腔室116的四个不同层位置可以托住托盘,这取决于样品材料的尺寸和距离相机的期望焦距。一旦将样品材料被放置在一个层上并且打开光源128,就关闭可开启构件102以将腔室密封以免受外部光的影响。然后,扫描设备100的顶部上的开口114允许相机捕获容纳样品材料的腔室116内部的图像。在一些实施例中,另一透镜,诸如放大镜或显微镜透镜被附接到相机的相机透镜以增强相机的功能。
扫描设备不限于图1A至1C所示的实施例。例如,扫描设备可以具有折叠入/折叠出的携带手柄。扫描设备顶部的定位器112可以调节以安置不同类型的手持移动设备(例如,智能手机,平板计算机)。在一些实施例中,定位器112中的一个或多个可以被去除或移除。扫描设备可以具有集成灯,这些灯可以由可移动电池组供电或插入壁装电源插座。在一些实施例中,扫描设备具有集成的,可充电电池组,开/关开关/按钮,铰链门,或拉出式隔间,等。光源可以包括白色的或彩色的LED或白炽灯,紫外线的(UV)或红外线的(IR)灯。而且,仅当门被关闭,和/或托盘被插入时,内部光源才可以被触发以照亮。在一些实施例中,扫描装置不是具有小的腿,而是具有较大的基座,该基座具有用于可开启构件的拉动机制。
图2A至2C示出了扫描装置200的另一实施例。具体地,图2A示出了具有圆形边缘且其处于闭门配置的扫描装置200的透视图,图2B示出了扫描设备200的俯视图。扫描设备200是便携的,并且具有用于用户携带扫描设备200的手柄202。扫描设备200具有腔室(未示出),该腔室提供了用于捕获被容纳在腔室内的样品材料的图像的受控环境。推/拉可开启构件204允许用户访问腔室。类似于先前描述的实施例,样品材料被放置于在托盘上,该托盘被放置于腔室内的可移动架子上。如图所示,用户可以按下按钮206以打开/关闭可开启构件204以放置/移除样品材料。当可开启构件204被关闭时,外部环境的光被阻止进入腔室。
扫描设备200的外表面208可以接收包括相机的手持移动设备。手持移动设备通过一个或多个可调节的定位器210-1至210-3被固定到外表面208。定位器210是可选特征,在一些实施例中,不是必要的。例如,表面218可以包括标记以引导用户安置手持移动设备。穿过外表面208到腔室的开口212使手持移动设备的相机能够捕获腔室中的样品材料的图像。图2B也示出了标记214-1至214-4,其帮助用户安置手持移动设备,使得其相机在开口212上方。图2C示出了具有手持移动设备216的闭门配置下的扫描设备200,手持移动设备216被安装在外表面208上以捕获被容纳在腔室中的样品材料的图像。如所示,手持移动设备216被安置在外表面208上,使得手持式移动设备216的相机被安置在开口上方并且面向腔室中的架子。
在另一个实施例中,相机内置在扫描设备中以捕获样品的图像而无需分开的手持移动设备。扫描设备还可以在手持式移动设备正常所在的顶面上具有内置接口,诸如触摸屏。扫描设备本身可以具有无线接口以连接到Wi-Fi,蜂窝服务,和/或可以通过,例如蓝牙,连接到手持移动设备。扫描设备可以具有屏幕,该屏幕允许人们看到腔室内的样品材料,并允许用户控制何时捕获图像并发送图像数据至手持移动设备或上传到远程计算机系统。在另一个实施例中,内置相机可以由手持移动设备控制。扫描设备可以识别腔室中的托盘和/或材料类型,以自动选择正确的裁切功能。
图3示出了处于闭门配置的扫描设备300的实施例,该扫描设备300包括内置触摸屏310和内置相机设备(未示出),以捕获被容纳在腔室内(未示出)的样品材料的图像。用户可以通过触摸屏310控制内置相机。在一些实施例中,扫描设备300是单机设备,其不需要连接分开的电子设备和/或网络来分析样品材料。被公开的扫描设备可以是包括服务器的系统的一部分,该服务器被配置为处理通过网络从手持移动设备或扫描仪设备接收的图像数据。远程服务器可以基于被处理的图像数据鉴定样品材料的属性。
图5是可以实现所公开技术的至少一些方面的系统的框图。系统500包括部件诸如基于云的资源502,一个或多个服务提供商服务器504,一个或多个服务提供商服务器504使用基于云的资源502通过被安装在扫描设备508上的移动电话506来查明材料的属性,部件通过诸如因特网的网络510被互连,以便于准确地测试样品材料。
网络510可以包括私有,公共,有线,或无线部分的任意组合。通过网络510传送的数据可以在网络510的多个位置或沿着网络510的不同部分被加密或不被加密。系统500的每个部件可以包括硬件和/或软件的组合以处理数据,实施功能,通过网络510传送,等。例如,系统500的任何部件可以包括处理器,内存或存储器,网络收发器,显示器,操作系统,和应用软件(例如,用于提供用户门户)等。系统500中包括的其他部件,硬件,和/或软件是本领域技术人员众所周知的,因此,这里未示出或讨论。
基于云的资源502可以提供进入可配置计算资源的共享池,包括服务器,存储器,应用,软件平台,网络,服务,等。服务提供商服务器504可以访问基于云的资源502,以向可安装在扫描设备508上的移动电话506提供资源。服务提供商服务器504可以包括任何数量的计算设备,这些计算设备提供用于允许用户查明植物材料的质量和真实性的服务的应用。尽管示出为与基于云的资源502分开的,但是服务提供商服务器504可以是基于云的资源502的一部分。
基于云的资源502可以便于处理由被安装在扫描设备508上的移动电话506捕获的样品的图像数据。例如,服务提供商服务器504可以训练机器学习模型并将该机器学习模型实现为查明植物材料的质量和真实性。该分析可以涉及分析在图像中被捕获的植物材料的物理属性。
移动电话506由与系统500交互的用户操作。一个移动电话506的示例是智能手机(例如,苹果IPHONE,三星GALAXY),或具有相机的任何其他手持移动设备,该相机能够被校准以捕获样品的可靠图像,以使得能够查明样品材料的被捕获图像的属性。移动电话506还能够通过网络510与服务提供商服务器504通信地耦合。在一些实施例中,在扫描设备处被捕获的样品材料的任何图像都可以在扫描设备处使用加载到手持移动设备506或一些其他本地计算设备上的本地硬件和软件进行本地处理。换句话说,由基于云的资源502和/或服务提供商504实施的功能中的至少一些功能可以在扫描设备508被本地实施。
本公开不限于被安装在分开的扫描设备上的智能手机。可以被安装在扫描设备508上的其他合适的手持移动设备的示例包括膝上型计算机(例如,苹果MACBOOK,联想440),平板计算机(例如,苹果IPAD,三星NOTE,微软SURFACE),或具有适当的相机并具有通过网络510传送的能力的任何其他手持移动设备。在一些实施例中,扫描设备508是专用设备,其具有实施(practice)所公开的实施例所必需的移动电话506的部件。
在一些实施例中,服务提供商服务器504提供或管理可从移动电话506接入的用户接口(例如,网站,应用程序)。用户接口可包括用于选择图像捕获和/或处理操作的菜单项,以提供有关植物材料质量和真实性的分析。用户接口还可以提供可以与感兴趣的第三方共享的真实性证书。
为了提供关于样品材料的质量,纯度,或真实性的可靠结果,所公开的实施例可以基于从不同来源收集的广泛图像,以及已经被其他一般接受的技术(诸如形态学,化学,和/或遗传分析)认证的材料的图像来实现人工智能技术。在一示例中,被公开的实施例实现计算机视觉/机器学习(CV/ML)技术以查明样品材料的属性。具体来说,用户可以使用他们的移动电话将样品材料的图像上传到距图像被捕获的位置较远的服务。用户可以在其相同的移动电话,平板计算机,或任何其他计算设备上接收来自该服务的结果。
该服务可以被构建在统一平台之上。因此,被公开的架构通过使用移动电话或其他设备(例如,平板计算机,个人计算机)和甚至在世界偏远地区都普遍存在的网络,使广泛的客户接入服务,可以仅需要接入相对便宜的扫描设备,对样品材料的图像进行标准化处理,以获得可靠,一致的,和可信赖的结果。例如,被公开的解决方案可以与云资源一起被部署,以充分利用云的灵活性和可扩展性。解决方案和云资源管理都通过简单的用户接口被提供。这允许管理员可以根据需要分配资源,并按选定的时间表启动/停止服务器。独特的计算机视觉技术与云上可扩展平台的组合,允许准确而稳健的解决方案的快速发展,以增强认证处理。
被公开的CV/ML技术用已经根据可接受的商业规范进行了预处理的不同材料的已被认证图像进行训练。训练图像可以包括用于在后续样品中检测的材料,杂质,和污染物的组合。因此,该服务在可扩展的平台上组合了计算机视觉和深度学习技术,为全球用户带来了负担得起的独特功能。在一些实施例中,被公开的技术实现了将图像匹配与深度学习相组合的多种图像识别算法。这种组合允许算法相互补充,以使性能和准确性最大化。
在一些实施例中,服务定义元数据,该元数据包括用于检测和识别材料和杂质的属性。在一些实施例中,通过捕获从多种来源获得的训练图像来持续地训练认证服务,该来源包括已经依据传统技术进行了认证的材料。可以通过多种方式上传训练图像,以提取被贴标签的特征并作为被贴标签的特征存储在数据库中。被贴标签的特征的示例包括物种,植物,或动物部分,或多种物理特性,诸如颜色,尺寸,密度,等。在一些示例中,对象诸如岩石,枝条,和啮齿类动物的排泄物被贴标签。在一些实施例中,训练集中的图像和特征的贴标签是通过检测方法自动完成的,和/或由技术工人手动完成的,以提供对被测试材料的统一且一致的评估。
在一些实施例中,认证服务的训练涉及建立训练参数,该训练参数被持续地调节以控制处理的效率和准确性。例如,可以基于被认证的植物材料的图像定期启动培训工作,以例行地更新和调整认证数据库。通过定期提交已知质量和杂质的已被认证的植物材料图像,可以测试和/或重新校准数据库的准确性。
这样,服务可以检测许多材料和杂质从而为可识别的特征建议相关标签。图像中被检测到的可识别的特征的组合可用于识别样品材料的属性。该服务可以被部署在多种网络上,包括位于集中位置的或在去中心化的架构(诸如区块链网络)中的服务器,以确保结果的可靠性和精良的容错能力。在一些实施例中,服务器集群被配置为根据需要运行和扩展服务。该服务还可以包括针对多种应用的API集成,以进一步提高服务的可用性。
在一些实施例中,服务可以实现人工智能技术,该人工智能技术遵循常规技术工人的视觉处理,但是以确保统一的方式进行,以可靠地获得准确的结果。例如,卷积神经网络(CNN)可以模拟单个神经元对视觉刺激的响应,其中每个卷积神经元都会处理其接受域的数据。尽管完全连接的前馈神经网络可以学习特征并对数据进行分类,但是将这种架构应用于图像并不一定实用,因为与图像相关联的输入量非常大,因此需要非常大量的神经元,其中每个像素是一个相关变量。CNN的卷积操作解决了此问题,因为它减少了自由参数的数量。例如,不管图像尺寸如何,尺寸为5×5的切片区域(每个区域都具有相同的共享权重),仅需要25个可学习的参数。这样,CNN可以解决使用反向传播训练具有多个层的传统神经网络时出现的问题。这样,CNN可以可靠地找到图像中的模式以查明样品材料的属性。
图6是流程图,其示出了由扫描设备实施的用于查明样品材料的属性的方法。在步骤602中,手持移动设备捕获被容纳在便携式扫描设备的封闭腔室中的样品材料的图像。当移动设备被放置在便携式扫描设备的外表面上时,图像被移动设备的相机捕获。
在步骤604中,手持移动设备可以向远程计算机系统传送指示性的图像数据。远程计算机系统分析图像数据以查明样品材料的一个或多个属性。然后,远程计算机系统通过网络向手持移动设备返回结果。
在步骤606中,手持移动设备本身可以基于图像数据查明样品材料的属性。在一些实施例中,样品材料是基于植物的材料。基于植物的材料的属性依据本说明书中其他地方描述的机器学习技术来查明。在一些实施例中,通过将被捕获的图像与多重样品材料的图像数据进行比较来查明样品材料的属性。在一些实施例中,通过将图像数据与被认证的图像的图像(images of authenticated images)进行比较来查明属性,被认证的图像包括相同样品的其他图像。
图7是流程图,其示出了由包括扫描设备的系统实施以查明样品材料的属性的方法。在步骤702中,服务通过通信网络获得利用被安装在扫描设备上的手持移动设备的相机获得的图像数据。在一些实施例中,该方法至少部分地通过基于云的服务来实施,该基于云的服务通过通信网络被通信地耦合至手持移动设备。
在步骤704中,服务基于在样品的被捕获图像中被检测到的视觉特征的组合来鉴定样品的一个或多个属性。在一些实施例中,样品包括至少一个植物材料和一个非植物污染物。在一些实施例中,植物材料的质量,纯度,或真实性是依据机器学习技术鉴定的。在一些实施例中,鉴定样品的质量,纯度,或真实性包括检测样品的被捕获图像中的视觉特征,以及基于被检测到的视觉特征的组合来识别样品的内容。在一些实施例中,整个图像被分类,或者图像的一些,部分,或一部分被分类(例如,被裁剪的图像)。在一些实施例中,系统可以检测被指定的对象并且可以计数被指定的对象的数量。
在步骤706中,服务通过通信网络将所查明的样品材料的属性传送到手持移动设备。在可选步骤708中,服务可以致使手持移动设备显示指令和/或自动调节相机以捕获样品材料的另一图像或调节和/或验证所查明的属性。
图8为框图,示出了可操作以实现所公开技术的处理设备800(例如,扫描设备或服务服务器)。如所示,处理设备800包括总线802,该总线802可操作以在硬件和/或软件部件之间传输数据。这些部件包括控制器804(例如,处理系统),网络接口806,输入/输出(I/O)系统808,和时钟系统810。处理设备800可以包括为了简洁起见未示出或未进一步讨论的其他部件。本领域普通技术人员将理解包括但未在图8中示出的任何硬件和软件。
控制器804包括一个或多个处理器812(例如,中央处理单元(CPUs)),专用集成电路(ASICs),和/或现场可编程门阵列(FPGAs),和内存814(可以包括软件816)。例如,内存814可以包括易失性内存,诸如随机存取内存(RAM)和/或非易失性内存,诸如只读内存(ROM)。内存814可以是本地的,远程的,或分布式的。
当被称为“在计算机可读存储介质中实现”时,软件程序(例如,软件816)包括被存储在内存(例如,内存814)中的计算机可读指令。当与软件程序相关联的至少一个值被存储在处理器的可读寄存器中时,处理器(例如,处理器812)被“配置为执行软件程序”。在一些实施例中,被执行以实现被公开的实施例的例程可以被实现为操作系统(OS)软件(例如,MICROSOFT WINDOWS,LINUX)或特定软件应用,部件,程序,对象,模块,或被称为“计算机程序”的指令序列的一部分。
这样,计算机程序通常包括在多个时间在计算机(例如,处理设备800)的多个内存设备中设立的一个或多个指令,当它们被至少一个处理器(例如,处理器812)读取和执行时,将致使计算机实施操作以执行涉及被公开实施例的多个方面的特征。在一些实施例中,提供了包含前述计算机程序产品的载体。载体是电信号,光信号,无线电信号,或非暂时性计算机可读存储介质(例如,内存814)之一。
网络接口806可以包括用于通过网络510将处理设备800耦合到其他计算机的调制解调器或其他接口(未示出)。I/O系统808可以操作用于控制多种I/O设备,包括外围设备,诸如显示系统820(例如,监视器或触摸感应显示器)和一个或多个输入设备822(例如,键盘和/或定点设备)。其他I/O设备824可以包括例如磁盘驱动器,打印机,扫描设备,等。最后,时钟系统810控制计时器以供被公开的实施例使用。
内存设备(例如,内存814)的操作,诸如从二进制一(1)到二进制零(0)的状态改变(或反之亦然),可以包括视觉上可感知的物理改变或转换。所述转换可以包括将物品转换为不同状态或事物的物理转换。例如,状态改变可以涉及电荷的累积和存储或所存储电荷的释放。同样,状态改变可以包括磁取向的物理改变或转换,或者分子结构的物理改变或转换,诸如从晶体到非晶的改变,反之亦然。
可以按照对被存储在内存中的数据位的操作的算法和符号表示来描述被公开的实施例的多方面。这些算法描述和符号表示一般包括通向所需结果的一系列操作。这些操作需要对物理量进行物理操纵。经常,尽管不是必须的,这些量采取能够被存储,传输,组合,比较,和以其他方式操纵的电或磁信号的形式。习惯上,为了方便起见,这些信号被称为位,值,元素,符号,字符,项,数字,等。这些和相似的术语与物理量相关联,并且仅仅是应用于这些量的方便标签。
尽管已经在全功能计算机的情境中描述了实施例,但是本领域技术人员将领会,多种实施例能够以多种形式作为程序产品来被分布,并且本公开内容同等地适用,而不管实际用来实现实施例的机器或计算机可读介质的特定类型。
尽管已经按照几个实施例描述了本公开,但是本领域技术人员将认识到,本公开不限于本文描述的实施例,并且可以在本发明的精神和范围内进行修改和变型来实践。本领域技术人员还将认识到对本公开的实施例的改进。所有这些改进都被认为在本文公开的概念的范围内。因此,该描述应被认为是说明性的而不是限制性的。
Claims (29)
1.一种系统,包括:
便携式扫描设备,包括:
腔室,被配置为用于捕获被容纳在所述腔室中的样品材料的图像的受控环境;
可开启构件,被配置为允许对所述腔室访问,其中当所述可开启构件被关闭时外部环境的环境光被阻止进入所述腔室;
外表面,被配置为接收包括相机设备的手持移动设备;
所述腔室内的架子,被配置为接收所述样品材料;以及
当所述手持移动设备被安置在所述外表面上使得所述相机设备被安置在所述开口上方并且面向所述架子时,通过所述外表面到所述腔室的开口使得所述手持移动设备的所述相机设备能够捕获所述样品材料的所述图像。
2.根据权利要求1所述的系统,还包括:
服务器被配置为:
处理所述图像的数据,其中所述图像的所述数据是通过网络从所述手持移动设备被接收的;以及
基于所述图像的所述被处理的数据鉴定所述样品材料的属性。
3.根据权利要求1所述的系统,还包括:
支撑结构,该支撑结构限定了所述架子的多个层中的第一层,其中每个层与所述开口相距预定距离。
4.根据权利要求3所述的系统,其中,所述架子的第二层是所述腔室的表面。
5.根据权利要求1所述的系统,还包括:
光源,被配置成当被放置在所述架子上时在所述样品材料上辐射光。
6.根据权利要求5所述的系统,其中,所述辐射光包括白色或彩色LED或白炽光,紫外(UV)光,或红外(IR)光中的至少一种。
7.根据权利要求5所述的系统,其中,所述光源是可移动设备。
8.根据权利要求1所述的系统,其中,所述架子包括:
使所述移动设备能够自动对焦所述相机设备的标记。
9.根据权利要求1所述的系统,还包括:
可移动托盘,被放置在所述架子上,其中,所述可移动托盘被配置为托住所述样品材料。
10.根据权利要求9所述的系统,其中,所述可移动托盘包括:
使所述手持移动设备能够自动对焦所述相机设备的标记。
11.根据权利要求1所述的系统,还包括:
多个不同尺寸的可移动托盘,其中所述多个可移动托盘中的每一个被配置为托住不同类型的样品材料。
12.根据权利要求1所述的系统,其中,所述外表面包括:
多个定位器,被配置为使所述手持移动设备定向以利用所述相机设备捕获所述样品材料的所述图像。
13.根据权利要求12所述的系统,其中,定位器是可调节的以适合于多个不同尺寸的手持移动设备。
14.一种方法,包括:
捕获被容纳在便携式扫描设备的封闭腔室中的样品材料的图像,其中,所述图像由被放置在所述便携式扫描设备的外表面上的移动设备的相机设备捕获;以及
基于所述图像查明所述样品材料的属性。
15.根据权利要求14所述的方法,其中,所述样品材料是生物材料。
16.根据权利要求14所述的方法,其中,所述样品材料是基于植物的材料,并且所述基于植物的材料的所述属性是依据机器学习技术被鉴定的。
17.根据权利要求14所述的方法,其中,查明所述样品材料的所述属性包括:
将所述图像与所述样品材料的另一幅图像的数据进行比较以核实所述属性。
18.根据权利要求14所述的方法,其中,查明所述样品材料的所述属性包括:
将所述图像与已被认证样品的多个图像的数据进行比较。
19.一种便携式扫描设备,包括:
腔室,被配置为用于捕获被容纳在所述腔室中的样品材料的图像的受控环境;
可开启构件,被配置为允许对用于接收所述样品材料的所述腔室访问,其中当所述可开启构件被关闭时所述腔室外部环境的环境光被阻止进入所述腔室;
所述腔室内的平台,被配置为搁置所述样品材料以捕获所述样品材料的所述图像;以及
成像设备,被配置为当所述样品材料被放置在所述腔室内的所述平台上时捕获所述图像。
20.根据权利要求19所述的便携式扫描设备,还包括:
集成在所述扫描设备外表面的触摸屏,其中所述触摸屏使用户能够控制所述成像设备。
21.根据权利要求19所述的便携式扫描设备,其中,所述成像设备是集成在所述腔室的表面并面向所述平台的相机。
22.一种方法,包括:
通过通信网络获得用被安装在扫描设备上的手持移动设备的相机捕获的样品图像,该扫描设备上被配置为统一地捕获不同来源不同样品的图像的平台;
基于在所述样品的所述被捕获图像中被检测到的视觉特征的组合鉴定所述样品的属性;以及
通过所述通信网络传送所述样品的所述被鉴定的属性的指征以在所述手持移动设备上显示。
23.根据权利要求22所述的方法,其中,所述样品包括至少一个植物材料和非植物污染物。
24.根据权利要求23所述的方法,其中,所述植物材料的所述属性是依据机器学习技术来鉴定的。
25.根据权利要求22所述的方法,其中,所述手持移动设备是智能手机或平板计算机。
26.根据权利要求22所述的方法,还包括:
致使所述手持移动设备调节所述相机并捕获所述样品的另一图像以调整或验证所述样品的所述被鉴定的属性。
27.根据权利要求22所述的方法,还包括:
致使所述手持移动设备显示用于调节所述扫描设备的指令,并捕获所述样品的另一幅图像以更新或验证所述样品的所述被鉴定的属性。
28.根据权利要求22所述的方法,其中鉴定所述样品的所述属性包括:
检测所述样品的所述被捕获的图像中的所述视觉特征;以及
基于被检测到的视觉特征的所述组合来识别所述样品的内容。
29.根据权利要求22所述的方法,其中,所述方法通过所述通信网络由基于云的服务通信地耦合到所述手持移动设备的来实施。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862715736P | 2018-08-07 | 2018-08-07 | |
US62/715,736 | 2018-08-07 | ||
PCT/US2019/045570 WO2020033593A1 (en) | 2018-08-07 | 2019-08-07 | Portable scanning device for ascertaining attributes of sample materials |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112888935A true CN112888935A (zh) | 2021-06-01 |
Family
ID=69405750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980066187.6A Pending CN112888935A (zh) | 2018-08-07 | 2019-08-07 | 用于查明样品材料属性的便携式扫描设备 |
Country Status (5)
Country | Link |
---|---|
US (2) | US10684231B2 (zh) |
EP (2) | EP4321862A2 (zh) |
CN (1) | CN112888935A (zh) |
CA (1) | CA3108903A1 (zh) |
WO (1) | WO2020033593A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023071286A1 (zh) * | 2021-10-29 | 2023-05-04 | 浙江凌迪数字科技有限公司 | 面料扫描装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117805109A (zh) * | 2023-12-29 | 2024-04-02 | 江苏腾丰环保科技有限公司 | 一种基于纹理特征识别的水质检测方法、系统 |
Family Cites Families (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4236192A (en) * | 1979-01-15 | 1980-11-25 | Brandons, Inc. | Cabinet for examining and identifying specimens |
US5313373A (en) | 1992-11-25 | 1994-05-17 | United Parcel Service Of America, Inc. | Apparatus for the uniform illumination of a surface |
US6309840B1 (en) * | 1997-01-03 | 2001-10-30 | The Chinese Univerisity Of Hong Kong | Polymerase chain reaction-restriction fragment length polymorphism test for the authentication of herbal Chinese medicines |
JP3585753B2 (ja) * | 1998-12-15 | 2004-11-04 | 富士写真フイルム株式会社 | 撮影システム |
DE19920206B4 (de) * | 1999-05-03 | 2006-02-23 | Hell Gravure Systems Gmbh | Verfahren zum Ausmessen von Näpfchen |
US7066038B2 (en) * | 2002-04-15 | 2006-06-27 | Amebis Intellectual Properties Limited | Material stability test system |
US20040260782A1 (en) * | 2003-01-31 | 2004-12-23 | Affleck Rhett L. | Data communication in a laboratory environment |
EP1794577A4 (en) | 2004-09-17 | 2010-10-06 | Wdi Wise Device Inc | OPTICAL INSPECTION OF FLAT MEDIA USING DIRECT PICTURE TECHNOLOGY |
US7668388B2 (en) * | 2005-03-03 | 2010-02-23 | Mitutoyo Corporation | System and method for single image focus assessment |
US20070031977A1 (en) * | 2005-08-02 | 2007-02-08 | Vann Charles S | Portable genomic analyzer |
WO2008057781A2 (en) * | 2006-10-27 | 2008-05-15 | Montecito Bio-Sciences, Ltd. | Portable apparatus for improved sample analysis |
US8049814B2 (en) * | 2008-03-27 | 2011-11-01 | The Rockefeller University | Holographic microscope |
US20110052019A1 (en) * | 2009-09-03 | 2011-03-03 | Green Vision Systems Ltd. | Analyzing Objects Via Hyper-Spectral Imaging and Analysis |
CN103517676A (zh) * | 2010-09-27 | 2014-01-15 | 奥克索金股份有限公司 | 用于胚胎、卵母细胞和干细胞的自动化成像和评价的装置、方法和系统 |
ES2745507T3 (es) * | 2011-03-04 | 2020-03-02 | Lbt Innovations Ltd | Aparato de iluminación y captura de imágenes |
US10165976B2 (en) * | 2011-12-21 | 2019-01-01 | Orlucent, Inc. | System for imaging lesions aligning tissue surfaces |
JP6305985B2 (ja) | 2012-04-23 | 2018-04-04 | ナノ3ディー バイオサイエンスィズ,インコーポレイテッド | 電話カメラおよびサンプルスタンド |
WO2013175683A1 (ja) * | 2012-05-24 | 2013-11-28 | 日本電気株式会社 | 病理診断結果判定システム、病理診断結果判定方法および病理診断結果判定装置 |
EP2856120A4 (en) * | 2012-06-05 | 2016-06-15 | Dairy Quality Inc | SYSTEM AND METHOD FOR THE ANALYSIS OF BIOLOGICAL LIQUIDS |
US9152884B2 (en) * | 2012-06-05 | 2015-10-06 | Drvision Technologies Llc | Teachable pattern scoring method |
WO2013192377A1 (en) | 2012-06-20 | 2013-12-27 | Global Biodiagnostics | Portable diagnostic system and uses thereof |
CN110237880A (zh) * | 2013-01-18 | 2019-09-17 | 生米公司 | 分析设备 |
CA2899734A1 (en) * | 2013-03-15 | 2014-09-25 | Devicor Medical Products, Inc. | Biopsy device |
KR20230069244A (ko) * | 2013-03-15 | 2023-05-18 | 나노바이오심 인크. | 핵산들 및 단백질들의 모바일 디바이스 분석을 위한 시스템들 및 방법들 |
JP2017506367A (ja) * | 2013-11-15 | 2017-03-02 | マイクロスキャン テクノロジーズ,インク. | 地質学のスキャナ |
US10063754B2 (en) | 2014-01-04 | 2018-08-28 | Diane Gosha | Mobile deposit kit |
DE102014004347A1 (de) * | 2014-03-27 | 2015-10-15 | Friedrich Kisters | Authentifikationsverfahren und Authentifikationssystem |
AU2015292225B2 (en) * | 2014-07-21 | 2020-06-25 | 7386819 Manitoba Ltd. | Method and device for bone scan in meat |
KR102257497B1 (ko) | 2014-07-21 | 2021-05-31 | 삼성전자주식회사 | 가스 센서, 이를 포함하는 냉장고 및 그 제어 방법 |
KR20170066336A (ko) * | 2014-08-13 | 2017-06-14 | 씨 쓰리 리미티드 | 로그 스캔 시스템 |
KR101926849B1 (ko) * | 2014-09-17 | 2018-12-07 | 도요세이칸 그룹 홀딩스 가부시키가이샤 | 세포 배양 장치 |
WO2016061563A1 (en) | 2014-10-17 | 2016-04-21 | The Regents Of The University Of California | Automated hardware and software for mobile microscopy |
CN107250739A (zh) * | 2014-10-23 | 2017-10-13 | 威利食品有限公司 | 手持式光谱仪的附件 |
CA2983806C (en) | 2015-04-28 | 2023-06-13 | Aterica Inc. | Portable organic molecular sensing device and related systems and methods |
US9836839B2 (en) * | 2015-05-28 | 2017-12-05 | Tokitae Llc | Image analysis systems and related methods |
SG10202105017QA (en) * | 2015-08-10 | 2021-06-29 | Essenlix Corp | Bio/chemical assay devices and methods for simplified steps, small samples, accelerated speed, and ease-of-use |
CN107924801B (zh) * | 2015-08-21 | 2019-11-19 | 株式会社日立高新技术 | 带电粒子束装置以及样品平台的对准调整方法 |
US9857664B1 (en) | 2016-09-15 | 2018-01-02 | Amazon Technologies, Inc. | Collapsible photo enclosure and components |
US10015389B2 (en) * | 2016-09-22 | 2018-07-03 | Omnivision Technologies, Inc. | Image sensor with asymmetric-microlens phase-detection auto-focus (PDAF) detectors, associated PDAF imaging system, and associated method |
US20180172510A1 (en) * | 2016-12-08 | 2018-06-21 | Verifood, Ltd. | Spectrometry system applications |
US20180211380A1 (en) * | 2017-01-25 | 2018-07-26 | Athelas Inc. | Classifying biological samples using automated image analysis |
US10255693B2 (en) * | 2017-05-02 | 2019-04-09 | Techcyte, Inc. | Machine learning classification and training for digital microscopy images |
US10475838B2 (en) * | 2017-09-25 | 2019-11-12 | Omnivision Technologies, Inc. | Multi-pixel detector and associated method for increasing angular sensitivity |
US10909548B1 (en) * | 2018-02-28 | 2021-02-02 | Tri-Star Technologies | Apparatus, system and method for facilitating tracking of consumable pharmaceutical articles |
-
2019
- 2019-08-07 EP EP23213323.1A patent/EP4321862A2/en active Pending
- 2019-08-07 EP EP19847571.7A patent/EP3833242B1/en active Active
- 2019-08-07 WO PCT/US2019/045570 patent/WO2020033593A1/en unknown
- 2019-08-07 CN CN201980066187.6A patent/CN112888935A/zh active Pending
- 2019-08-07 US US16/534,847 patent/US10684231B2/en active Active
- 2019-08-07 CA CA3108903A patent/CA3108903A1/en active Pending
-
2020
- 2020-06-12 US US16/946,254 patent/US11243172B2/en active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023071286A1 (zh) * | 2021-10-29 | 2023-05-04 | 浙江凌迪数字科技有限公司 | 面料扫描装置 |
Also Published As
Publication number | Publication date |
---|---|
US10684231B2 (en) | 2020-06-16 |
WO2020033593A1 (en) | 2020-02-13 |
EP4321862A2 (en) | 2024-02-14 |
EP3833242C0 (en) | 2024-01-03 |
US20200049633A1 (en) | 2020-02-13 |
EP3833242B1 (en) | 2024-01-03 |
US20220390386A1 (en) | 2022-12-08 |
EP3833242A4 (en) | 2022-08-03 |
CA3108903A1 (en) | 2020-02-13 |
US20200309714A1 (en) | 2020-10-01 |
US11243172B2 (en) | 2022-02-08 |
EP3833242A1 (en) | 2021-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11054370B2 (en) | Scanning devices for ascertaining attributes of tangible objects | |
US20180003686A1 (en) | Method and device for quantification of plant chlorophyll content | |
Masawat et al. | An iPhone-based digital image colorimeter for detecting tetracycline in milk | |
Kendal et al. | Quantifying plant colour and colour difference as perceived by humans using digital images | |
Cortazar et al. | Quantification of plant chlorophyll content using Google Glass | |
Macfarlane et al. | Automated estimation of foliage cover in forest understorey from digital nadir images | |
EP3612963B1 (en) | Biochemical analyser based on a machine learning algorithm using test strips and a smartdevice | |
CN109655414B (zh) | 电子设备、信息推送方法及相关产品 | |
RU2769288C2 (ru) | Прогнозирование урожайности зернового поля | |
Zhang et al. | High-throughput phenotyping of seed/seedling evaluation using digital image analysis | |
US11243172B2 (en) | Portable scanning device for ascertaining attributes of sample materials | |
Wojcieszak et al. | Use of neural image analysis methods in the process to determine the dry matter content in the compost | |
US20160109295A1 (en) | Portable electronic apparatus, spectrometer combined therewith, and method for detecting quality of test object by using the same | |
Zaborowicz et al. | Determination of dry matter content in composted material based on digital images of compost taken under mixed visible and UV-A light | |
Przybył et al. | The recognition of potato varieties using of neural image analysis method | |
Martin et al. | Changes in sexual signals are greater than changes in ecological traits in a dichromatic group of fishes | |
Coleman et al. | OpenWeedLocator (OWL): an open-source, low-cost device for fallow weed detection | |
US11311916B2 (en) | Peanut maturity grading systems and methods | |
US12007332B2 (en) | Portable scanning device for ascertaining attributes of sample materials | |
Bonesmo* et al. | Evaluating an image analysis system for mapping white clover pastures | |
Durai et al. | RETRACTED ARTICLE: Research on varietal classification and germination evaluation system for rice seed using hand-held devices | |
Clohessy et al. | A Low‐Cost Automated System for High‐Throughput Phenotyping of Single Oat Seeds | |
Nath et al. | Smartphone camera‐based analysis of ELISA using artificial neural network | |
CN207300896U (zh) | 用于移动端的比浊传感器 | |
Napoleone et al. | How to measure flower ultraviolet reflectance using digital photography |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Country or region after: U.S.A. Address after: California, USA Applicant after: Bright Scanning Co. Address before: California, USA Applicant before: Bright scan Ltd. Country or region before: U.S.A. |